Python量化交易之預測茅臺股票漲跌

前言

本文摘自清華大學出版《深入淺出Python量化交易實戰》一書的讀書筆記，這裡把作者用KNN模式做的交易策略，換成了邏輯回歸模型，試

試看策略的業績會有怎樣的變化。

二話不說，上梯子，導庫拉數據：

Python學習交流Q群：906715085###
import pandas as pd
import pandas_datareader.data as web
import numpy as np
from datetime 
import datetime

數據甭多了，來個3年的：

end = datetime.date.today()
start = end - datetime.timedelta(
                    days = 365*3)

我大A股，最牛X的股票，要說是茅臺，沒人反對吧？那咱搞茅臺的行情數據：

owB = web.DataReader('600519.ss',
                    'yahoo',
                     start, end)
cowB.head()

拉下來本仙就驚了，2019年1月的時候，大茅臺才600多塊錢啊！不過估計當時讓本仙買，本仙也不敢。那時候我大A股過百的股票也沒多少

吧！

然後我按照書里的方法，做下特征工程：

cowB['open-close'] = cowB['Open'] - cowB ['Close']
cowB['high-low'] = cowB['High'] - cowB ['Low']
cowB['target'] = np.where(cowB['Close'].shift(-1) > cowB ['Close'],1,-1)
cowB = cowB.dropna()
cowB.tail()

然後就多了幾列，target裡面，1表示次日上漲，-1表示次日下跌：

下麵要搞模型了：

x = cowB[['open-close','high-low']]
y = cowB['target']

拆成x和y，然後請出scikit-learn：

from sklearn.model_selection 
import train_test_split
from sklearn.linear_model 
import LogisticRegression

然後把數據集拆分成訓練集和測試集：

x_train, x_test, y_train, y_test =
train_test_split(x, y, 
                 train_size = 0.8)

看看邏輯回歸表現如何：

Python學習交流Q群：906715085###
lr = LogisticRegression()
lr.fit(x_train, y_train)
print(lr.score(x_train, y_train))
print(lr.score(x_test, y_test))

結果發現，還沒有書里KNN的分數高：

0.54388984509466440.5136986301369864

邏輯回歸在訓練集裡面的準確率是54.39%，與書里KNN的準確率基本持平；但是測試集里只有51.37%，比書里的KNN模型低了差不多3個

百分點。

折騰了一圈，結果並不滿意。按說邏輯回歸在分類任務上的表現，應該優於KNN才對啊。難道是本仙的數據噪音太大了？還是說其實這種預

測本身意義就不大呢？

最後，再為大家分享如何用Python進行炒股的倉位控制！